[發明專利]基于卷積神經網絡的頻率合成器類型識別方法

在審

• 申請號: 202110570134.7
• 申請日: 2021-05-25
• 公開（公告）號: CN113326757A
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 蔣伊琳;尹希航;宋宇;尹子茹;陳濤;郭立民;劉魯濤;趙忠凱
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06F17/14
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供一種基于卷積神經網絡的頻率合成器類型識別方法，包括如下步驟：步驟一：建立DDS相位截斷模型；步驟二：建立帶有小數分頻雜散的Fractional?N PLL模型；步驟三：對步驟一和步驟二的模型進行仿真，得到四十種頻率的信號；步驟四：訓練CNN模型，實現對頻率合成器類型識別；所述步驟四具體為：將仿真信號的時頻圖像輸入進卷積神經網絡中，CNN模型包括一個輸入層、3個卷積層、3個池層和2個完全連接層。本發明CNN更適合于與時頻圖像相結合的頻率合成器類型識別，即使在信噪比較低的情況下，也能獲得較高的識別率。將任一信號輸入訓練好的CNN模型，能夠快速準確地輸出識別結果。

技術領域

本發明涉及一種頻率合成器類型識別方法，尤其涉及一種基于卷積神經網絡的頻率合成器類型識別方法。

背景技術

隨著多功能雷達的發展，雷達輻射源模式越來越復雜，頻率合成器是雷達輻射源的重要組成部分。雷達頻率合成器類型識別方法的研究也將推動電子偵察的發展。直接數字頻率合成器(Direct Digital Synthesizer,DDS)和小數分頻鎖相環頻率合成器(Fractional-N Phase Locked Loop,Fractional-N PLL)在雷達領域有著廣泛的應用。DDS具有分辨率高、頻率轉換快等優點。然而，在實際電路中，為了獲得更高的頻率分辨率，相位累加器的位數通常較大。由于只讀存儲器(Read-Only Memory,ROM)查找表的容量有限，相位序列的低位被截斷，只有高位被用來尋址，這就引入了DDS特有的相位截斷誤差。如ZhengYu Wang,M.C.Frank Chang等人在他們的論文中所述，從典型DDS的信號頻譜圖可以看出，相位截斷引入了不可忽略的雜散成分(“A simple DDS architecture with highlyefficient sine function lookup table.”，Proceedings of the ResearchGate,2004,154–157)。本發明對DDS的結構進行了模塊化，并構建DDS的相位截斷模型，以更好地監測各個模塊的輸出信號。

Fractional-N PLL具有低功耗、高集成度、高頻率穩定性等特點。小數頻率合成技術可以解決單環數字頻率合成器相位檢測頻率高、頻率間隔小的矛盾，但小數分頻會帶來嚴重的雜散。如Hui Cao和Yu Qu所提出的方法，通常采用小數頻率合成器芯片來實現相位噪聲的測量(“Design of High Integrated Low Phase Noise Phase-Locked LoopFrequency Synthesizer System.”，Proceedings of the ResearchGate,2017,69–73)。本發明采用軟件實現的仿真方法，克服了不穩定因素對芯片性能的影響。

短時傅里葉變換(Short-term Fourier Transform，STFT)是一種線性聯合時頻分析方法，Zdenek Prusa和Peter Balazs等人所述(“A Non-iterative Method forReconstruction of Phase From STFT Magnitude.”，Proceedings of theResearchGate，2017，1154–1164)，STFT避免了高階非平穩分析中的交叉項干擾，適合于多分量信號分析。本發明利用STFT獲得輸出信號的時頻圖像。然后利用時頻圖像集對網絡模型進行訓練。卷積神經網絡(Convolutional Neural Networks，CNN)具有局部感知和參數共享的特點。CNN可以直接處理二維圖像，可以有效地從大量樣本中學習相應的特征，避免了復雜的特征提取過程。Hao Ye和Zuxuan Wu說到(“Evaluating Two-Stream CNN forVideo Classification.”，Proceedings of the ResearchGate，2015，435–442)，近年來，在信號識別領域，CNN已被用于信號調制方式和輻射源個體的識別，但很少用于頻率合成器的類型識別。

發明內容